CN108334558A - 一种结合标签和时间因素的协同过滤推荐方法 - Google Patents
一种结合标签和时间因素的协同过滤推荐方法 Download PDFInfo
- Publication number
- CN108334558A CN108334558A CN201810001758.5A CN201810001758A CN108334558A CN 108334558 A CN108334558 A CN 108334558A CN 201810001758 A CN201810001758 A CN 201810001758A CN 108334558 A CN108334558 A CN 108334558A
- Authority
- CN
- China
- Prior art keywords
- article
- user
- sim
- scoring
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 3
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 3
- 206010068052 Mosaicism Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种结合标签和时间因素的协同过滤推荐方法,包括如下步骤:步骤1,基于评分或标签计算用户间、物品间的相似度;步骤2,寻找邻居用户集、物品集;步骤3,预测评分,提供个性化推荐。此种方法可有效缓解数据稀疏性问题,提高推荐算法的预测准确性。
Description
技术领域
本发明属于推荐学习领域,特别涉及一种结合标签和时间因素的协同过滤推荐方法。
背景技术
目前,已有的推荐技术包括基于内容的推荐、协同过滤推荐、混合推荐等,基于内容的推荐算法,首先由系统隐式地获取或者由用户显式地给出用户对物品属性的偏好,然后通过计算已知用户偏好和待预测物品的描述文档(由物品属性刻画)之间的相似度,最后按照偏好排序结果向用户推荐其可能感兴趣的物品。协同过滤,利用当前用户或者其他用户对部分物品的已知偏好数据来预测当前用户对其他物品的潜在偏好,或者利用部分用户对当前物品或者其他物品的已知偏好数据来预测其他用户对当前物品的潜在偏好。协同过滤算法可以分为基于邻域的协同过滤算法和基于模型的协同过滤算法。基于邻域的协同过滤推荐算法包括基于用户的协同过滤推荐算法和基于物品的协同过滤算法。
在使用基于内存协同过滤算法进行评分预测时,用户或物品间的相似度度量扮演者重要角色。传统的协同过滤算法从用户-物品评分矩阵中计算相似度,但是评分矩阵是非常稀疏的,这就导致了推荐的不准确。同时,推荐系统中存在着大量的描述用户和物品的属性特征的标签信息,以及反映用户行为的时间信息,针对电影推荐来说,电影的标签信息就是描述其类型的关键字,用户的标签信息是<性别,年龄,职业>等人口统计学信息。把这些信息融入到传统推荐算法中,是缓解数据稀疏性和冷启动问题的有效方法。
发明内容
本发明的目的,在于提供一种结合标签和时间因素的协同过滤推荐方法,此种方法可有效缓解数据稀疏性问题,提高推荐算法的预测准确性。
为了达成上述目的,本发明的解决方案是:
一种结合标签和时间因素的协同过滤推荐方法,包括如下步骤:
步骤1,基于评分或标签计算用户间、物品间的相似度;
步骤2,寻找邻居用户集、物品集;
步骤3,预测评分,提供个性化推荐。
上述步骤1中,在计算相似度前,首先对标签信息进行预处理,将文本信息转化成数字信息。
上述步骤1中,基于标签计算相似度的公式是:
其中,用户u1或物品i1的标签集所对应的数值型标签向量为t=(t1,t2,…,tm),用户u2或物品i2的标签集所对应的数值型标签向量为s=(s1,s2,…,sm)。
上述步骤1中,基于评分计算用户间相似度的公式是:
其中,Ruj、Rvj分别表示用户u对物品j的评分和用户v对物品j的评分, 分别表示用户u对所有物品的平均评分和用户v对所有物品的平均评分,Iuv表示用户u和用户v共同评论的物品集,wi为热门物品惩罚项。
上述热门物品惩罚项wi的计算公式是:
其中,Ni表示评论过物品i的用户数。
上述步骤1中,基于评分计算物品间相似度的公式是:
其中,Rui、Ruj分别表示用户u对物品i的评分和用户u对物品j的评分, 分别表示物品i和物品j的平均评分,Uij表示共同评论物品i和物品j的用户集。
上述步骤2中,获得用户间或物品间的相似度矩阵后,对相似度矩阵进行排序,得到topk个与活动用户/物品最相似的邻居用户/物品集合,分别记为N(u)、N(i)。
上述步骤3中,采用如下模型进行预测:
其中,λ是平衡参数,分别表示用户u对所有物品的平均评分和用户v对所有物品的平均评分,N(u)、N(i)分别表示邻居用户集和邻居物品集,Rvi、R分别表示用户v对物品i的评分和用户u对物品j的评分,分别表示物品i和物品j的平均评分,f(*)是时间权值,且f(*)=1-exp(-*);tvi表示用户v对物品i评论的时间,tuj表示用户u对物品j评论的时间;
simunify *(u,v)表示结合评分信息和标签信息计算用户间的相似度,具体模型如下所示:
simunify *(u,v)=β×simrating *(u,v)+(1-β)simtag(u,v)
simtag(u,v)是用户u和用户v的标签集之间的相似性,
simrating *(u,v)是用户u和用户v的评分之间的相似性,
β是平衡参数;
simunify *(i,j)表示结合评分信息和标签信息计算物品间的相似度,具体模型如下所示:
simunify *(i,j)=α×simrating(i,j)+(1-α)×simtag(i,j)
simtag(i,j)是物品i和物品j的标签集之间的相似性,
simrating(i,j)是物品i和物品j的评分之间的相似性,
α是平衡参数。
采用上述方案后,本发明结合评分信息和标签信息来计算相似度,缓解数据稀疏性问题,同时引入一个时间权值,给予用户最近的行为较大的权值,有效提高推荐的精确性。本发明提出的方法可以针对基于评分矩阵计算出的并不精确的相似度进行改良,进而提高推荐系统的推荐准确性。
附图说明
图1是本发明的流程图。
具体实施方式
以下将结合附图,对本发明的技术方案及有益效果进行详细说明。
如图1所示,本发明提供一种结合标签和时间因素的协同过滤推荐方法,包括如下步骤:
步骤1,基于评分或标签计算用户间、物品间的相似度;
步骤2,寻找邻居用户集、物品集;
步骤3,预测评分,提供个性化推荐。
首先我们获取评分信息和标签信息,要计算相应的用户间或者物品间的评分相似性和标签相似性,就要先对评分信息和标签信息进行预处理。评分信息是推荐系统中可获得的以评分矩阵形式呈现的数据。本文中使用的标签信息,对于电影推荐来说,用户的标签集{M,24,‘educator’}就是描述用户的性别、年龄、职业的人口统计学特征,物品也就是电影,其标签集{Action,Adventure,Animation}就是每个电影的所属的类型。在计算标签集相似度之前,首先把标签集等文本信息转化成数字信息以方便建模。假设用户u1(或物品i1)的标签集所对应的数值型标签向量为t=(t1,t2,…,tm),用户u2(或物品i2)的标签集所对应的数值型标签向量为s=(s1,s2,…,sm)。使用余弦相似性度量方法来计算标签向量之间的相似性,则标签向量t=(t1,t2,…,tm)与s=(s1,s2,…,sm)的相似性计算如下所示:
计算用户u与用户v之间的的评分相似性如下:
其中,Ruj、Rvj分别表示用户u对物品j的评分和用户v对物品j的评分, 分别表示用户u对所有物品的平均评分和用户v对所有物品的平均评分,Iuv表示用户u和用户v共同评论的物品集。wi为热门物品惩罚项,惩罚了热门物品在用户间相似度计算中的影响,其计算公式如下:
其中Ni表示评论过物品i的用户数。
计算物品i和物品j之间的评分相似性如下:
其中,Rui、Ruj分别表示用户u对物品i的评分和用户u对物品j的评分, 分别表示物品i和物品j的平均评分,Uij表示共同评论物品i和物品j的用户集。获得了用户间或物品间的相似度矩阵以后,通过对相似度矩阵的排序,我们可以得到topk个与活动用户(物品)最相似的邻居用户(物品)集合,分别记为N(u)、N(i)。得到了邻居用户(物品)集合,接下来就可以对活动用户(物品)进行评分预测。
该方法集成了改进的基于用户的协同过滤算法(TT_UserCF)和改进的基于物品的协同过滤算法(TT_ItemCF)。
TT_UserCF结合评分信息和标签信息计算用户间的相似度,同时引入用户兴趣时间权值来进行推荐,预测模型如下所示:
其中,Rui表示用户u对物品i的预测评分,其中simunify *(u,v)表示结合评分信息和标签信息计算用户间的相似度,具体模型如下所示:
simunify *(u,v)=β×simrating *(u,v)+(1-β)simtag(u,v)
simtag(u,v)是用户u和用户v的标签集之间的相似性,
simrating *(u,v)是用户u和用户v的评分之间的相似性。
β是平衡参数,决定了标签相似性和评分相似性所占的比重。
f(tvi)是一个时间权值,给予用户最近的行为较大的权值:
f(tvi)=1-exp(-tvi)
tvi表示用户v对物品i评论的时间。TT_ItemCF结合评分信息和标签信息计算物品间的相似度,同时引入用户兴趣时间权值来进行推荐,预测模型如下所示:
其中simunify *(i,j)表示结合评分信息和标签信息计算物品间的相似度,具体模型如下所示:
simunify *(i,j)=α×simrating(i,j)+(1-α)×simtag(i,j)
simtag(i,j)是物品i和物品j的标签集之间的相似性;
simrating(i,j)是物品i和物品j的评分之间的相似性。
α是平衡参数,决定了标签相似性和评分相似性所占的比重。
TT_CF最终预测模型为:
其中左半部分是改进的基于用户的协同过滤,右半部分是改进的基于物品的协同过滤。λ是平衡参数,决定了两种算法所占的比重。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
1.一种结合标签和时间因素的协同过滤推荐方法,其特征在于包括如下步骤:
步骤1,基于评分或标签计算用户间、物品间的相似度;
步骤2,寻找邻居用户集、物品集;
步骤3,预测评分,提供个性化推荐。
2.如权利要求1所述的一种结合标签和时间因素的协同过滤推荐方法,其特征在于:所述步骤1中,在计算相似度前,首先对标签信息进行预处理,将文本信息转化成数字信息。
3.如权利要求1所述的一种结合标签和时间因素的协同过滤推荐方法,其特征在于:所述步骤1中,基于标签计算相似度的公式是:
其中,用户u1或物品i1的标签集所对应的数值型标签向量为t=(t1,t2,…,tm),用户u2或物品i2的标签集所对应的数值型标签向量为s=(s1,s2,…,sm)。
4.如权利要求1所述的一种结合标签和时间因素的协同过滤推荐方法,其特征在于:所述步骤1中,基于评分计算用户间相似度的公式是:
其中,Ruj、Rvj分别表示用户u对物品j的评分和用户v对物品j的评分, 分别表示用户u对所有物品的平均评分和用户v对所有物品的平均评分,Iuv表示用户u和用户v共同评论的物品集,wi为热门物品惩罚项。
5.如权利要求4所述的一种结合标签和时间因素的协同过滤推荐方法,其特征在于:所述热门物品惩罚项wi的计算公式是:
其中,Ni表示评论过物品i的用户数。
6.如权利要求1所述的一种结合标签和时间因素的协同过滤推荐方法,其特征在于:所述步骤1中,基于评分计算物品间相似度的公式是:
其中,Rui、Ruj分别表示用户u对物品i的评分和用户u对物品j的评分, 分别表示物品i和物品j的平均评分,Uij表示共同评论物品i和物品j的用户集。
7.如权利要求1所述的一种结合标签和时间因素的协同过滤推荐方法,其特征在于:所述步骤2中,获得用户间或物品间的相似度矩阵后,对相似度矩阵进行排序,得到topk个与活动用户/物品最相似的邻居用户/物品集合,分别记为N(u)、N(i)。
8.如权利要求1所述的一种结合标签和时间因素的协同过滤推荐方法,其特征在于:所述步骤3中,采用如下模型进行预测:
其中,λ是平衡参数,分别表示用户u对所有物品的平均评分和用户v对所有物品的平均评分,N(u)、N(i)分别表示邻居用户集和邻居物品集,Rvi、Ruj分别表示用户v对物品i的评分和用户u对物品j的评分,分别表示物品i和物品j的平均评分,f(*)是时间权值,且f(*)=1-exp(-*);tvi表示用户v对物品i评论的时间,tuj表示用户u对物品j评论的时间;
simunify *(u,v)表示结合评分信息和标签信息计算用户间的相似度,具体模型如下所示:
simunify *(u,v)=β×simrating *(u,v)+(1-β)simtag(u,v)
simtag(u,v)是用户u和用户v的标签集之间的相似性,
simrating *(u,v)是用户u和用户v的评分之间的相似性,
β是平衡参数;
simunify *(i,j)表示结合评分信息和标签信息计算物品间的相似度,具体模型如下所示:
simunify *(i,j)=α×simrating(i,j)+(1-α)×simtag(i,j)
simtag(i,j)是物品i和物品j的标签集之间的相似性,
simrating(i,j)是物品i和物品j的评分之间的相似性,
α是平衡参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001758.5A CN108334558A (zh) | 2018-01-02 | 2018-01-02 | 一种结合标签和时间因素的协同过滤推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001758.5A CN108334558A (zh) | 2018-01-02 | 2018-01-02 | 一种结合标签和时间因素的协同过滤推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334558A true CN108334558A (zh) | 2018-07-27 |
Family
ID=62924110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810001758.5A Pending CN108334558A (zh) | 2018-01-02 | 2018-01-02 | 一种结合标签和时间因素的协同过滤推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334558A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062899A (zh) * | 2018-07-31 | 2018-12-21 | 中国科学院信息工程研究所 | 一种基于词性标注的文档相似性度量方法 |
CN109241448A (zh) * | 2018-10-30 | 2019-01-18 | 北京工业大学 | 一种针对科技情报的个性化推荐方法 |
CN109379423A (zh) * | 2018-10-12 | 2019-02-22 | 成都信息工程大学 | 一种基于云平台的多源跨域数据交互系统 |
CN109766913A (zh) * | 2018-12-11 | 2019-05-17 | 东软集团股份有限公司 | 用户分群方法、装置、计算机可读存储介质及电子设备 |
CN110059271A (zh) * | 2019-06-19 | 2019-07-26 | 达而观信息科技(上海)有限公司 | 运用标签知识网络的搜索方法及装置 |
CN110390058A (zh) * | 2019-06-28 | 2019-10-29 | 哈尔滨理工大学 | 考虑时效性的Web服务可信混合推荐方法 |
CN110390046A (zh) * | 2019-06-04 | 2019-10-29 | 深思考人工智能机器人科技(北京)有限公司 | 一种协同过滤推荐方法及系统 |
CN110659417A (zh) * | 2019-09-12 | 2020-01-07 | 广东浪潮大数据研究有限公司 | 一种信息推送方法、系统、电子设备及存储介质 |
CN111209486A (zh) * | 2019-12-19 | 2020-05-29 | 杭州安恒信息技术股份有限公司 | 一种混合推荐规则的管理平台数据推荐方法 |
CN111428145A (zh) * | 2020-03-19 | 2020-07-17 | 重庆邮电大学 | 一种融合标签数据和朴素贝叶斯分类的推荐方法及系统 |
CN112732971A (zh) * | 2021-01-21 | 2021-04-30 | 广西师范大学 | 一种基于标签的协同过滤音乐推荐方法 |
CN113032675A (zh) * | 2021-03-26 | 2021-06-25 | 李蕊男 | 个性化推荐中的用户相似性多因素评定方法 |
-
2018
- 2018-01-02 CN CN201810001758.5A patent/CN108334558A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062899B (zh) * | 2018-07-31 | 2021-10-15 | 中国科学院信息工程研究所 | 一种基于词性标注的文档相似性度量方法 |
CN109062899A (zh) * | 2018-07-31 | 2018-12-21 | 中国科学院信息工程研究所 | 一种基于词性标注的文档相似性度量方法 |
CN109379423A (zh) * | 2018-10-12 | 2019-02-22 | 成都信息工程大学 | 一种基于云平台的多源跨域数据交互系统 |
CN109241448A (zh) * | 2018-10-30 | 2019-01-18 | 北京工业大学 | 一种针对科技情报的个性化推荐方法 |
CN109241448B (zh) * | 2018-10-30 | 2021-10-22 | 北京工业大学 | 一种针对科技情报的个性化推荐方法 |
CN109766913A (zh) * | 2018-12-11 | 2019-05-17 | 东软集团股份有限公司 | 用户分群方法、装置、计算机可读存储介质及电子设备 |
CN110390046A (zh) * | 2019-06-04 | 2019-10-29 | 深思考人工智能机器人科技(北京)有限公司 | 一种协同过滤推荐方法及系统 |
CN110059271A (zh) * | 2019-06-19 | 2019-07-26 | 达而观信息科技(上海)有限公司 | 运用标签知识网络的搜索方法及装置 |
WO2020253591A1 (zh) * | 2019-06-19 | 2020-12-24 | 达而观信息科技(上海)有限公司 | 运用标签知识网络的搜索方法及装置 |
CN110390058A (zh) * | 2019-06-28 | 2019-10-29 | 哈尔滨理工大学 | 考虑时效性的Web服务可信混合推荐方法 |
CN110659417A (zh) * | 2019-09-12 | 2020-01-07 | 广东浪潮大数据研究有限公司 | 一种信息推送方法、系统、电子设备及存储介质 |
CN111209486A (zh) * | 2019-12-19 | 2020-05-29 | 杭州安恒信息技术股份有限公司 | 一种混合推荐规则的管理平台数据推荐方法 |
CN111209486B (zh) * | 2019-12-19 | 2023-04-11 | 杭州安恒信息技术股份有限公司 | 一种混合推荐规则的管理平台数据推荐方法 |
CN111428145A (zh) * | 2020-03-19 | 2020-07-17 | 重庆邮电大学 | 一种融合标签数据和朴素贝叶斯分类的推荐方法及系统 |
CN111428145B (zh) * | 2020-03-19 | 2022-12-27 | 重庆邮电大学 | 一种融合标签数据和朴素贝叶斯分类的推荐方法及系统 |
CN112732971A (zh) * | 2021-01-21 | 2021-04-30 | 广西师范大学 | 一种基于标签的协同过滤音乐推荐方法 |
CN113032675A (zh) * | 2021-03-26 | 2021-06-25 | 李蕊男 | 个性化推荐中的用户相似性多因素评定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334558A (zh) | 一种结合标签和时间因素的协同过滤推荐方法 | |
CN103246980B (zh) | 信息输出方法及服务器 | |
CN102902691B (zh) | 推荐方法及系统 | |
CN109299994B (zh) | 推荐方法、装置、设备及可读存储介质 | |
CN103377262B (zh) | 对用户进行分组的方法和装置 | |
CN108550068A (zh) | 一种基于用户行为分析的个性化商品推荐方法及系统 | |
CN111310038B (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN102968506A (zh) | 一种基于扩展特征向量的个性化协同过滤推荐方法 | |
CN110941762B (zh) | 一种个性化推荐系统排序结果的改进方法 | |
JP6635587B2 (ja) | 広告文選択装置及びプログラム | |
CN107274242A (zh) | 一种基于关联分析算法的商品推荐方法 | |
CN103678329A (zh) | 推荐方法及装置 | |
CN106897911A (zh) | 一种基于用户和物品的自适应个性化推荐方法 | |
CN107145536A (zh) | 用户画像构建方法与装置及推荐方法与装置 | |
CN111767466A (zh) | 基于人工智能的推荐信息推荐方法、装置及电子设备 | |
CN104657336B (zh) | 一种基于半余弦函数的个性化推荐方法 | |
CN109272390A (zh) | 融合评分和标签信息的个性化推荐方法 | |
CN108198041A (zh) | 一种基于时间衰减器的商品推荐方法、终端和介质 | |
CN108268464A (zh) | 一种基于协同过滤与logistic回归的个性化推荐方法及装置 | |
CN108665083A (zh) | 一种基于用户画像动态轨迹模型的广告推荐方法及系统 | |
CN108388570A (zh) | 对视频进行分类匹配的方法、装置和挑选引擎 | |
CN110415063A (zh) | 商品推荐方法、装置、电子设备及可读介质 | |
Choi et al. | Let your algorithm shine: The impact of algorithmic cues on consumer perceptions of price discrimination | |
CN114841760B (zh) | 一种基于受众行为特征分析的广告推荐管理方法及系统 | |
CN114065016A (zh) | 一种推荐方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |